BAB 6 KESIMPULAN DAN SARAN - core.ac.uk · 61 BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan...

61

BAB 6

KESIMPULAN DAN SARAN

6.1. Kesimpulan

Berdasarkan pembahasan pada bab-bab sebelumnya,

dapat disimpulkan bahwa pengamatan dan analisa opini

publik mengenai brand di Twitter dapat dilakukan.

Pengamatan dilakukan dengan mengekstrak data

menggunakan pengaya Google Spreadsheet, Twitter

Archiver. Data hasil ekstrak didapatkan 12.818 data

berbahasa Indonesia mengenai brand Zenfone yang diambil

dalam rentang waktu 18 Desember 2015 – 22 Januari 2016.

Pengamatan data tweets tersebut menghasilkan pemahaman

akan karakteristik kata dan bahasa sehingga menjadi

bahan untuk melakukan analisa. Proses analisa dilakukan

menggunakan perangkat lunak Branso Analitik, sehingga

langsung akan didapatkan informasi dan grafik.

Hasil analisa yang dilakukan perangkat lunak

Branso Analitik dihasilkan dari proses

mengklasifikasikan tweets berdasarkan topik bahasan dan

sentimen. Untuk memperkirakan topik bahasan dari tweets

dilakukan dengan mencari relasi suatu kata yang

terkandung dalam tweets dengan kata dalam tabel kata

kategori yang sudah dibuat. Sehingga jika suatu kata

muncul dalam tweets, dapat diperkirakan kata tersebut

terdapat dalam kategori apa. Untuk klasifikasi sentimen

dilakukan dengan menggunakan metode Naïve Bayes

Classifier metode ini akan menghitung nilai posisi

probabilitas dari tweets berdasarkan dengan tabel data

training. Nilai posisi probabilitas terbesar dari kelas

tertentu menunjukkan bahwa tweets tersebut masuk dalam

kelas tersebut. Hasil akhir dari proses pembersihan

62

data dan klasifikasi data didapatkan data bersih

sebesar 2.747. Data bersih tersebut merupakan data

terpilih yang sudah dikategorikan topik bahasan dan

sentimen sehingga benar-benar memiliki arti dan

informasi.

Berdasarkan penjelasan di atas dapat diambil

kesimpulan bahwa perangkat lunak Branso Analitik ini

mampu menjawab rumusan masalah penelitian ini. Dan

dapat digunakan untuk membantu menganalisa brand

berbasis Twitter.

6.2. Saran

Saran yang dapat diambil dari penelitian ini

adalah perangkat lunak ini dikembangkan supaya

mempunyai fungsi untuk langsung mengambil data tweets

menggunakan API Twitter dan perangkat lunak ini dapat

berjalan di platform mobile.

63

DAFTAR PUSTAKA

Agarwal, A., 2016. Twitter Archiver. [Online]

Available at:

https://chrome.google.com/webstore/detail/twitter-

archiver/pkanpfekacaojdncfgbjadedbggbbphi

[Diakses 2016 Mei 2].

Agusta, L., 2009. Perbandingan Algoritma Stemming

Porter Dengan Algoritma Nazief & Adriani Untuk

Stemming Dokumen Teks Bahasa Indonesia. Bali,

Konferensi Nasional Sistem dan Informatika.

American Marketing Association, 2015. American

Marketing Association : Dictionary. [Online]

Available at: http://www.ama.org

[Diakses 26 November 2015].

Azis, L., 2015. TeknoUp. [Online]

Available at:

http://www.teknoup.com/review/1219/asus-zenfone-2-

ze551ml-ram-4gb/

[Diakses 25 Maret 2016].

Ellison, N. B. & Boyd , D. M., 2007. Social Network

Sites: Definition, History, and Scholarship.

Journal of Computer-Mediated Communication, 13(1),

p. 11.

GlobalWorldIndex, 2015. Global World Index (GWI)

Social, London: GlobalWorldIndex.

Harlili, H. & Wibisono, Y., 2011. Sistem Analisis Opini

Microblogging Berbahasa Indonesia, Bandung:

Institut Teknologi Bandung.

Hridoy, S. A. A. et al., 2015. Localized twitter

opinion mining using sentiment analysis. Decision

Analytics a SpringerOpen Journal, 2(8), pp. 1-19.

Indriyono, B. V., Utami, E. & Sunyoto, A., 2015.

Pemanfaatan Algoritma Porter Stemmer Untuk Bahasa

64

Indonesia Dalam Proses Klasifikasi Jenis Buku.

Jurnal Buana Informatika, 6(4), pp. 301-310.

Liyantanto, R., 2010. New Line. [Online]

Available at:

https://liyantanto.wordpress.com/2010/12/06/kata-

dasar-bahasa-indonesia/

[Diakses 2016 Mei 2].

Maurya, K. & Mishra, P., 2012. What is a brand? A

Perspective on Brand Meaning. European Journal of

Business and Management, 4(3), pp. 122-133.

Nazief, B. & Adriani, M., 1996. Confix Stripping:

Approach to Stemming Algorithm for Bahasa

Indonesia. Internal Publication : Faculty of

Computer Science, University of Indonesia, Depok.

Pullig, C., 2008. What is Brand Equity and What Does

the Branding Concept Mean to You? , Texas: Keller

Center Research Report.

Sahu, H., Shrma, S. & Gondhalakar, S., 2011. A Brief

Overview on Data Mining Survey. International

Journal of Computer Technology and Electronics

Engineering (IJCTEE) , 1(3), pp. 114-121.

Silwattananusarn, T. & Tuamsuk, K., 2012. Data Mining

and Its Applications for Knowledge Management : A

Literature Review from 2007 to 2012. International

Journal of Data Mining & Knowledge Management

Process (IJDKP), 2(5), pp. 13-24.

Simmons, G. J., 2007. “i-Branding”: Developing The

Internet As A Branding Tool. Emerald Insight :

Marketing Intelligence & Planning, 25(6), pp. 544-

562.

SPESIFIKASI KEBUTUHAN PERANGKAT LUNAK

Branso Analitik

(Analisa Brand Berbasis Twitter)

Untuk :

Fakultas Teknologi Industri

Universitas Atma Jaya Yogyakarta

Dipersiapkan oleh:

Matheus Alvian Wikanargo / 6807

Program Studi Teknik Informatika



Program Studi Teknik

Informatika


Nomor Dokumen Halaman

SKPL-BRANSO 1/26

Revisi

SKPL

Program Studi Teknik Informatika SKPL – BRANSO 2/ 27

Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Teknik Informatika-UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Teknik Informatika

DAFTAR PERUBAHAN

REVISI DESKRIPSI

A

B

C

D

E

F

INDEKS TGL - A B C D E F

DITULIS OLEH

DIPERIKSA OLEH

DISETUJUI OLEH



DAFTAR HALAMAN PERUBAHAN

Halaman Revisi Halaman Revisi



DAFTAR ISI

DAFTAR PERUBAHAN ..................................... 2

DAFTAR HALAMAN PERUBAHAN ............................. 3

DAFTAR ISI ........................................... 4

DAFTAR GAMBAR ........................................ 6

1. Pendahuluan ...................................... 7

1.1 Tujuan ......................................... 7

1.2 Lingkup Masalah ................................ 7

1.3 Definisi, Akronim dan Singkatan ................ 8

Dataset .............................................. 8

1.4 Referensi ...................................... 8

1.5 Deskripsi umum (Overview) ...................... 9

2. Deskripsi Kebutuhan .............................. 9

2.1 Perspektif produk .............................. 9

2.2 Fungsi Produk ................................. 11

2.3 Karakteristik Pengguna ........................ 14

2.4 Batasan-batasan ............................... 14

2.5 Asumsi dan Ketergantungan ..................... 15

3. Kebutuhan khusus ................................ 15

3.1 Kebutuhan antarmuka eksternal ................. 15

3.2 Antarmuka pemakai ............................. 15

3.2.1 Antarmuka perangkat keras .................. 15

3.2.2 Antarmuka perangkat lunak .................. 15

3.3 Kebutuhan fungsionalitas Perangkat Lunak ...... 17

3.3.1 Use Case Diagram ........................... 17

4. Spesifikasi Rinci Kebutuhan ..................... 18

4.1 Spesifikasi Kebutuhan Fungsionalitas .......... 18

4.1.1 Use case Spesification : Pengelolaan Data

Pelengkap ........................................ 18


Training ......................................... 21



4.1.3 Use case Spesification : Pemrosesan Data

Mining 23

4.1.4 Use case Spesification : Tampil Laporan .... 25

5. Entity Relationship Diagram (ERD) ............... 27



DAFTAR GAMBAR

Gambar 1 Arsitektur Perangkat lunak Branso Analitik . 10

Gambar 2 Use Case Diagram ........................... 17

Gambar 3 Entity Relationship Diagram ................ 27



1. Pendahuluan

1.1 Tujuan

Dokumen Spesifikasi Kebutuhan Perangkat Lunak

(SKPL) ini merupakan dokumen spesifikasi kebutuhan

perangkat lunak Branso Analitik (Analisa Brand Berbasis

Twitter) untuk mendefinisikan kebutuhan perangkat lunak

yang meliputi antarmuka eksternal (antarmuka antara

sistem perangkat lunak, perangkat keras, dan pengguna),

perfoma (kemampuan perangkat lunak dari segi kecepatan,

tempat penyimpanan yang dibutuhkan, serta keakuratan),

dan atribut (fitur-fitur tambahan yang dimiliki

sistem), serta mendefinisikan fungsi perangkat lunak.

SKPL-BRANSO ini juga mendefinisikan batasan perancangan

perangkat lunak.

1.2 Lingkup Masalah

Dalam era digitalisasi terjadi peningkatan aliran

dan penggunaan data. Salah satu faktor peningkatan

terjadi karena tren jejaring sosial. Para pengguna

situs jejaring sosial dengan sadar dan secara rutin

memasukkan banyak data dan informasi ke dalam situs.

Situs jejaring Twitter yang secara terbuka dan gratis

membagi API mereka supaya orang-orang dapat mengakses

data tweets mereka dan menggunakannya untuk penelitian

dengan maksud mendapatkan informasi yang berguna dari

sana.

Secara khusus, dalam data-data tweets tersebut

dapat dilihat bahwa terdapat banyak opini publik.

Publik beropini terhadap suatu tema tertentu, salah

satu yang paling banyak dibahas adalah brand. Data-data

tweets yang mengandung opini publik tersebut dapat

diklasifikasikan ke dalam topik bahasan dan sentimen



tertentu. Dari hasil klasifikasi tersebut dapat

dianalisa untuk mendapatkan informasi dan pengetahuan

mengenai brand yang dibahas. Hasil informasi disajikan

dalam bentuk grafik dan berkas excel.

1.3 Definisi, Akronim dan Singkatan

Daftar definisi akronim dan singkatan :

Tabel 1. Definisi, Akronim dan Singkatan

Keyword/Phrase Definisi

DPPL Deskripsi Perancangan Perangkat

Lunak disebut juga Software Design

Description (SDD). Merupakan deskripsi

dari perancangan produk /perangkat

lunak yang akan dikembangkan.

DPPL-BRANSO-

XXX

Kode yang merepresentasikan kebutuhan

pada Branso Analitik (Analisa Brand

Berbasis Twitter) di mana XXX

merupakan nomor fungsi produk.

BRANSO Perangkat lunak pengelolaan desktop

dan web.

Data Mining Proses ekstraksi informasi dan

pengetahuan yang secara potensial

berguna dan orang-orang tidak

mengetahuinya, serta ekstraksi

dilakukan dari sekumpulan data yang

besar, tidak lengkap, noise, dan acak.

Dataset Sekumpulan data yang digunakan dalam

proses data mining.

1.4 Referensi

Referensi yang digunakan pada perangkat lunak

tersebut adalah:



1. Matheus Alvian Wikanargo / 6807, Proposal Tugas

Akhir Analisis Opini Publik Terhadap Brand Di

Situs Jejaring Sosial Twitter Menggunakan Teknik

Data Mining, Universitas Atma Jaya Yogyakarta.

2. Matheus Alvian Wikanargo / 6807, Spesifikasi

Kebutuhan Perangkat Lunak (SKPL) RMIS,

Universitas Atma Jaya Yogyakarta.

1.5 Deskripsi umum (Overview)

Secara umum dokumen SKPL ini terbagi atas 3 bagian

utama. Bagian utama berisi penjelasan mengenai dokumen

SKPL tersebut yang mencakup tujuan pembuatan SKPL,

ruang lingkup masalah dalam pengembangan perangkat

lunak tersebut, definisi, referensi dan deskripsi umum

tentang dokumen SKPL ini.

Bagian kedua berisi penjelasan umum tentang sistem

BRANSO yang akan dikembangkan, mencakup perspektif

produk yang akan dikembangkan, fungsi produk perangkat

lunak, karakteristik pengguna, batasan dalam penggunaan

perangkat lunak dan asumsi yang dipakai dalam

pengembangan sistem Branso Analitik tersebut.

Bagian ketiga berisi penjelasan secara lebih rinci

tentang kebutuhan sistem Branso Analitik yang akan

dikembangkan.

2. Deskripsi Kebutuhan

2.1 Perspektif produk

BRANSO merupakan sistem perangkat lunak yang

dikembangkan untuk membantu melakukan proses

klasifikasi data dari dataset yang merupakan sumber

datanya. Secara spesifik klasifikasi data yang

dilakukan dalam sistem ini akan mengkelompokkan data



berdasarkan opini dan kategori. Kategori yang digunakan

berdasarkan topik opini dan sentimen opini. Sistem ini

akan dibangun untuk menghasilkan laporan hasil proses

klasifikasi data pada dataset target. Sistem ini akan

dibangun dalam bentuk aplikasi desktop. Perangkat lunak

dibangun dalam bentuk aplikasi desktop karena dalam

pemrosesan klasifikasi data pada dataset target yang

besar diperlukan kemampuan komputasi yang baik dan

cepat.

Sistem Branso Analitik ini berjalan pada platform

Windows 7/8/8.1/10 untuk aplikasi desktop. Sistem ini

dibuat menggunakan bahasa pemrograman Microsoft Visual

C#. Untuk lingkungan pemrogramannya menggunakan

Microsoft Visual Studio 2008.

Komputer

Pengguna

Gambar 1 Arsitektur Perangkat lunak Branso Analitik



2.2 Fungsi Produk

Fungsi produk perangkat lunak Branso Analitik

adalah sebagai berikut :

1. Fungsi Pengelolaan Data Pelengkap (SKPL-BRANSO-

001)

Fungsi ini merupakan fungsi yang digunakan

pengguna untuk mengelola data pelengkap yang akan

dikerjakan.

a. Fungsi Tambah Kata Positif (SKPL-BRANSO-001-01)


untuk menambahkan kata positif.

b. Fungsi Hapus Kata Positif (SKPL-BRANSO-001-02)


untuk menghapus kata positif.

c. Fungsi Tampil Kata Positif (SKPL-BRANSO-001-03)


untuk menampilkan daftar kata positif.

d. Fungsi Tambah Kata Negatif (SKPL-BRANSO-001-04)


untuk menambahkan kata negatif.

e. Fungsi Hapus Kata Negatif (SKPL-BRANSO-001-05)


untuk menghapus kata negatif.

f. Fungsi Tampil Kata Negatif (SKPL-BRANSO-001-06)


untuk menampilkan daftar kata negatif.

g. Fungsi Tambah Kata Kategori (SKPL-BRANSO-001-

07)




untuk menambahkan kata kategori.

h. Fungsi Hapus Kata Kategori (SKPL-BRANSO-001-08)


untuk menghapus kata kategori.

i. Fungsi Tampil Kata Kategori (SKPL-BRANSO-001-

09)


untuk menampilkan daftar kata kategori.

j. Fungsi Tambah Kata Lain (SKPL-BRANSO-001-10)


untuk menambahkan kata lain.

k. Fungsi Hapus Kata Lain (SKPL-BRANSO-001-11)


untuk menghapus kata lain.

l. Fungsi Tampil Kata Lain (SKPL-BRANSO-001-12)


untuk menampilkan daftar kata lain.

2. Fungsi Pengelolaan Data Training (SKPL-BRANSO-

002).


pengguna untuk mengelola data training yang akan

digunakan sebagai acuan proses klasifikasi data

Fungsi Pengelolaan Data Training mencakup :

a. Fungsi Tambah Data Training (SKPL-BRANSO-002-

01)




untuk menambahkan data training berupa file

excel kedalam sistem.

b. Fungsi Tampil Data Training (SKPL-BRANSO-002-

02)


untuk menghapus data training yang sudah

dimasukkan.

c. Fungsi Hapus Data Training (SKPL-BRANSO-002-03)


untuk menampilkan data training dalam antarmuka

sistem.

3. Fungsi Pemrosesan Data Mining (SKPL-BRANSO-003).


pengguna untuk menjalankan proses klasifikasi

topik bahasan dan sentimen.

a. Fungsi Tambah Data Tweets (SKPL-BRANSO-003-01)


untuk menambahkan data tweets.

b. Fungsi Hapus Data Tweets (SKPL-BRANSO-003-02)


untuk menghapus data tweets.

c. Fungsi Tampil Data Tweets (SKPL-BRANSO-003-03)


untuk menampilkan daftar data tweets.

d. Fungsi Pembersihan Data (SKPL-BRANSO-003-04)


untuk membersihkan data tweets.



e. Fungsi Klasifikasi Data (SKPL-BRANSO-003-05)


untuk mengklasifikasikan data tweets.

4. Fungsi Laporan (SKPL-BRANSO-004).

Merupakan fungsi yang digunakan pengguna untuk

menampilkan hasil berupa berkas excel dan bentuk

visualisasi grafik kategori topik dan sentimen.

2.3 Karakteristik Pengguna

Karakteristik dari pengguna perangkat lunak Branso

Analitik adalah sebagai berikut :

1. Memahami pengoperasian Microsoft Windows.

2. Memahami penggunaan aplikasi Branso Analitik.

2.4 Batasan-batasan

Batasan-batasan dalam pengembangan perangkat lunak

Branso Analitik tersebut adalah :

1. Kebijaksanaan Umum

Berpedoman pada tujuan dari pengembangan

perangkat lunak Branso Analitik.

2. Keterbatasan perangkat keras

Dapat diketahui kemudian setelah sistem ini

berjalan (sesuai dengan kebutuhan).



2.5 Asumsi dan Ketergantungan

Sistem ini dapat dijalankan pada perangkat desktop

yang menggunakan sistem operasi Windows 7/8/8.1/10.

3. Kebutuhan khusus

3.1 Kebutuhan antarmuka eksternal

Kebutuhan antar muka eksternal pada perangkat lunak

Branso Analitik meliputi kebutuhan antarmuka pemakai,

antarmuka perangkat keras, antarmuka perangkat lunak,

antarmuka komunikasi.

3.2 Antarmuka pemakai

Pengguna berinteraksi dengan antarmuka yang

ditampilkan dalam bentuk form-form.

3.2.1 Antarmuka perangkat keras

Antarmuka perangkat keras yang digunakan dalam

perangkat lunak Branso Analitik adalah Perangkat

Desktop.

3.2.2 Antarmuka perangkat lunak

Perangkat lunak yang dibutuhkan untuk

mengoperasikan perangkat lunak Branso Analitik adalah

sebagai berikut :

1. Nama : Windows 7/8/8.1/10

Sumber : Microsoft

Sebagai sistem operasi untuk perangkat desktop.

2. Nama : Microsoft Visual Studio 2008

Sumber : Microsoft.

Sebagai aplikasi untuk mengembangkan Branso

Analitik.



3. Nama : Microsoft SQL Server 2008

Sumber : Microsoft.

Sebagai Database Management System (DBMS) untuk

pengelolaan basis data.

4. Nama : Microsoft Excel

Sumber : -.

Sebagai aplikasi untuk mencetak laporan.

5. Nama : Crystal Report

Sumber : -.

Sebagai aplikasi untuk mencetak laporan



3.3 Kebutuhan fungsionalitas Perangkat Lunak

3.3.1 Use Case Diagram

Gambar 2 Use Case Diagram



4. Spesifikasi Rinci Kebutuhan

4.1 Spesifikasi Kebutuhan Fungsionalitas


Pelengkap

1. Brief Description

Use Case ini digunakan oleh aktor untuk

mengelola data pelengkap yang akan dikerjakan. Aktor

akan dapat melakukan fungsi tambah data pelengkap

dan hapus data pelengkap.

2. Primary Actor

1. Pengguna

3. Supporting Actor

none

4. Basic Flow

1. Use Case ini dimulai ketika aktor memilih

untuk menjalankan sistem.

2. Sistem menampilkan data kata positif, kata

negatif, kata kategori, dan kata lain.

3. Sistem memberikan pilihan untuk menambah dan

menghapus data kata positif, kata negatif,

kata kategori, dan kata lain.

4. Aktor memilih untuk tambah data kata positif

A-1 Aktor memilih untuk hapus data kata

positif.

A-2 Aktor memilih untuk tambah data

kata negatif.


negatif.


kata kategori.


kategori.




kata lain.


lain.

5. Sistem menampilkan data kata positif yang

sudah ada.

6. Aktor memasukkan data kata positif baru.

7. Sistem menyimpan data kata positif ke basis

data.

8. Sistem menampilkan data terbaru.

9. Use Case ini selesai.

5. Alternative Flow

A-1 Aktor memilih untuk hapus data kata positif.

1. Sistem menampilkan data kata positif yang

sudah ada.

2. Aktor memilih data kata positif dan meminta

sistem untuk menghapus.

3. Sistem menghapus data proyek dari basis

data.

4. Berlanjut ke Basic Flow langkah 8.

A-2 Aktor memilih untuk tambah data kata negatif.

1. Sistem meminta aktor mengisikan kata negatif

yang akan ditambahkan.

2. Aktor meminta sistem menyimpan kata negatif

baru.

3. Sistem menyimpan data proyek ke basis data.

4. Berlanjut ke Basic Flow langkah ke 8.

A-3 Aktor memilih untuk hapus data kata negatif.

1. Sistem menampilkan data kata negatif yang

sudah ada.

2. Aktor memilih data kata negatif dan meminta


3. Sistem menghapus data proyek dari basis data.




A-4 Aktor memilih untuk tambah data kata

kategori.

1. Sistem meminta aktor mengisikan kata kategori


2. Aktor meminta sistem menyimpan kata kategori

baru.



A-5 Aktor memilih untuk hapus data kata kategori.

1. Sistem menampilkan data kata kategori yang

sudah ada.

2. Aktor memilih data kata kategori dan meminta




A-6 Aktor memilih untuk tambah data kata lain.

1. Sistem meminta aktor mengisikan kata lain


2. Aktor meminta sistem menyimpan kata lain

baru.



A-7 Aktor memilih untuk hapus data kata lain.

1. Sistem menampilkan data kata lain yang sudah

ada.

2. Aktor memilih data kata negatif dan meminta




7. Error Flow

none

7. PreConditions



1. Aktor telah memasuki sistem.

8. PostConditions

1. Data Pelengkap di basis data telah terbarui.

2. Data Pelengkap yang tersimpan di tampilkan.


Training



mengelola data training yang akan digunakan sebagai

acuan proses klasifikasi data. Aktor akan dapat

melakukan fungsi tambah data training, tampil data

training, hapus data training.

2. Primary Actor

1. Pengguna

3. Supporting Actor

none

4. Basic Flow


untuk melakukan pengelolaan data training.

2. Sistem memberikan pilihan untuk menambah data

training, tampil data training dan hapus data

training.

3. Aktor memilih untuk menambahkan data training

A-1 Aktor memilih untuk tampil data

training.

A-2 Aktor memilih untuk hapus data

training.

4. Sistem menampilkan antarmuka untuk menambah

data training.

5. Aktor menambah data training dan meminta

sistem untuk menyimpan data training.

6. Sistem menyimpan data training ke basis data.




5. Alternative Flow

A-1 Aktor memilih untuk tampil data training.

1. Sistem menampilkan data training yang

tersedia.

2. Aktor memilih data training yang akan

ditampilkan.

3. Sistem menampilkan isi data training yang

dipilih


A-2 Aktor memilih untuk hapus data training.

1. Sistem menampilkan antarmuka hapus data

training.

5. Aktor menghapus data training.

6. Sistem menghapus data training dari basis

data.


6. Error Flow

none

7. PreConditions




8. PostConditions

1. Data training di basis data telah terbarui.

2. Data training yang dicari di tampilkan.

4.1.3 Use case Spesification : Pemrosesan Data

Mining



menjalankan proses klasifikasi data pada dataset

menggunakan data training yang sudah dimasukkan.

Dalam fungsi ini akan digali opini dari teks dan

mengklasifikasikannya kedalam kategori-kategori.

Kategori yang digunakan berdasarkan topik opini dan

sentimen opini.

2. Primary Actor

1. Pengguna

3. Supporting Actor

none

4. Basic Flow


untuk melakukan pengelolaan data tweets.

2. Sistem memberikan pilihan untuk menambah

data tweets, tampil data tweets, hapus data

tweets, pembersihan data, dan klasifikasi

data.

3. Aktor memilih untuk menambahkan data tweets

A-1 Aktor memilih untuk tampil data

tweets.

A-2 Aktor memilih untuk hapus data

tweets.

A-3 Aktor memilih untuk pembersihan.

A-4 Aktor memilih untuk klasifikasi

data.



4. Sistem menampilkan antarmuka untuk menambah

data tweets.

5. Aktor menambah data tweets dan meminta

sistem untuk menyimpan data tweets.

6. Sistem menyimpan data tweets ke basis data.


5. Alternative Flow

A-1 Aktor memilih untuk tampil data tweets.

1. Sistem menampilkan data tweets yang tersedia.

2. Aktor memilih data tweets yang akan

ditampilkan.

3. Sistem menampilkan isi data tweets yang

dipilih


A-2 Aktor memilih untuk hapus data tweets.

1. Sistem menampilkan antarmuka hapus data

tweets.

2. Aktor menghapus data tweets.

3. Sistem menghapus data tweets dari basis data.


A-3 Aktor memilih untuk pembersihan data.

1. Sistem menampilkan antarmuka pembersihan

data.

2. Aktor membersihkan data.

3. Sistem membersihkan data.


A-4 Aktor memilih untuk klasifikasi data.

1. Sistem menampilkan antarmuka klasifikasi

data.

2. Aktor mengklasifikasi data.

3. Sistem mengklasifikasi data.


6. Error Flow



none

7. PreConditions


2. Aktor telah mengelola data pelengkap.

3. Aktor telah mengelola data training.

8. PostConditions

1. Didapatkan hasil proses klasifikasi data.

4.1.4 Use case Spesification : Tampil Laporan


Use Case ini digunakan aktor untuk menampilkan

hasil berupa berkas excel dan bentuk visualisasi

grafik kategori topik dan sentimen.

2. Primary Actor

1. Pengguna

3. Supporting Actor

none

4. Basic Flow


untuk menampilkan hasil klasifikasi data.

2. Sistem menampilkan grafik hasil pemrosesan

dataset.

3. Sistem memberikan pilihan ekspor data.

4. Aktor memilih ekspor data

5. Sistem telah mengekspor data




5. Alternative Flow

none

6. Error Flow

none

7. PreConditions


2. Aktor telah mengelola data training.

3. Aktor telah menjalankan pemrosesan

klasifikasi data.

8. PostConditions

1. Menampilkan grafik hasil pemrosesan dataset.

2. Menghasilkan berkas excel.



5. Entity Relationship Diagram (ERD)

Gambar 3 Entity Relationship Diagram

Tabel_DataTweets

Tweet_ID

Date_of_Tweet

ScreenNam e

FullName

Tweet_Text

Followers

Follows

Retweets

Favorites

Verified

User_Since

Location

Tabel_DataSet

ID_DataSet

Tweet_ID

Topic_Texts

Sentimen_Texts

Tabel_KategoriTopik

ID_Topik

Kata_Kategori

Jenis_Kategori

Tabel_KataPositif

ID_KataPositif

Kata_Positif

Tabel_DataTraining

ID_DataTraining

Master_Texts

Sentimen_Texts

Tabel_KataNegatif

ID_KataNegatif

Kata_Negatif

Table_KataLain

ID_KataLain

KataLain

Tabel_KataDasar

ID_KataDasar

KataDasar

Tipe_KataDasar

Tabel_Token

ID_Token

KataToken

Tweet_ID

Tabel_TokenTraining

ID_TokenTraining

KataTokenTraining

ID_DataTraining

DPPL

DESKRIPSI PERANCANGAN PERANGKAT LUNAK

Branso Analitik


Untuk :



Dipersiapkan Oleh :

Matheus Alvian Wikanargo /120706807




Program Studi Teknik

Informatika



1 / 45

DPPL – BRANSO Revisi A

DAFTAR PERUBAHAN

REVISI DESKRIPSI

A

B

C

D

E

F


DITULIS OLEH

DIPERIKSA OLEH

DISETUJUI OLEH

Program Studi Teknik Informatika DPPL- BRANSO 2 / 45 Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Teknik Informatika-UAJY dan bersifat rahasia.

Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Teknik Informatika



Program Studi Teknik Informatika DPPL - BRANSO 3 / 45 Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Teknik Informatika-UAJY dan bersifat rahasia.


DAFTAR ISI

DAFTAR PERUBAHAN ..................................... 2

DAFTAR HALAMAN PERUBAHAN ............................. 3

DAFTAR ISI ........................................... 4

DAFTAR GAMBAR ........................................ 5

1. Pendahuluan ...................................... 6

1.1 Tujuan ......................................... 6

1.2 Lingkup Masalah ................................ 6

1.3 Definisi, Akronim dan Singkatan ................ 7

Dataset .............................................. 7

1.4 Referensi ...................................... 8

2. Perancangan Sistem ............................... 9

2.1 Perancangan Arsitektur ......................... 9

2.2 Perancangan Rinci ............................. 10

2.2.1 Sequence Diagram ..................................10

2.2.2 Class Diagram ......................................21

2.2.3 Class Diagram Specific Descriptions ............22

3. Perancangan Data ................................ 36

3.1 Dekomposisi Data .............................. 36

4. Deskripsi Perancangan AntarMuka ................. 41

4.1 Antarmuka Menu Bar ............................ 41

4.2 Antarmuka Pengelolaan Data Training ........... 42

4.3 Antarmuka Pengelolaan Data Pelengkap .......... 43

4.4 Antarmuka Pengelolaan Data Pelengkap .......... 44

4.5 Antarmuka Laporan ............................. 45



DAFTAR GAMBAR

Gambar 2.1 Arsitektur ..................................... 9

Gambar 2.2 Sequence Diagram : Tambah Data Training ....... 10

Gambar 2.3 Sequence Diagram : Tampil Data Training ....... 10

Gambar 2.4 Sequence Diagram : Hapus Data Training ........ 11

Gambar 2.5 Sequence Diagram : Tambah Kata Positif ........ 11

Gambar 2.6 Sequence Diagram : Tambah Kata Positif ........ 12

Gambar 2.7 Sequence Diagram : Hapus Kata Positif ......... 12

Gambar 2.8 Sequence Diagram : Tambah Kata Negatif ........ 13

Gambar 2.9 Sequence Diagram : Tampil Kata Negatif ........ 13

Gambar 2.10 Sequence Diagram : Hapus Kata Negatif ........ 14

Gambar 2.11 Sequence Diagram : Tambah Kata Kategori ...... 14

Gambar 2.12 Sequence Diagram : Tampil Kata Kategori ...... 15

Gambar 2.13 Sequence Diagram : Hapus Kata Kategori ....... 15

Gambar 2.14 Sequence Diagram : Tambah Kata Lain .......... 16

Gambar 2.15 Sequence Diagram : Tampil Kata Lain .......... 16

Gambar 2.16 Sequence Diagram : Hapus Kata Lain ........... 17

Gambar 2.17 Sequence Diagram : Tambah Data Tweets ........ 17

Gambar 2.18 Sequence Diagram : Tampil Data Tweets ........ 18

Gambar 2.19 Sequence Diagram : Hapus Data Tweets ......... 18

Gambar 2.20 Sequence Diagram : Pemrosesan Data Mining .... 19

Gambar 2. 21 Sequence Diagram : Pemrosesan Data Mining ... 19

Gambar 2. 22 Sequence Diagram : Tampil Laporan ........... 20

Gambar 2. 23 Class Diagram ............................... 21

Gambar 3.1 Physical Data Model ........................... 40

Gambar 4.1 Rancangan Antarmuka Menu Bar .................. 41

Gambar 4.2 Rancangan Antarmuka Pengelolaan Data Training . 42

Gambar 4.3 Rancangan Antarmuka Pengelolaan Data Pelengkap 43

Gambar 4.4 Rancangan Antarmuka Pemrosesan Data Tweets .... 44

Gambar 4.5 Rancangan Antarmuka Laporan ................... 45



1. Pendahuluan

1.1 Tujuan

Dokumen Deskripsi Perancangan Perangkat Lunak

(DPPL) ini bertujuan untuk mendefinisikan perancangan

perangkat lunak yang akan dikembangkan. Dokumen

tersebut akan digunakan oleh pengembang perangkat lunak

sebagai acuan untuk implementasi pada tahap berikutnya.

1.2 Lingkup Masalah

Dalam era digitalisasi terjadi peningkatan aliran

dan penggunaan data. Salah satu faktor peningkatan

terjadi karena tren jejaring sosial. Para pengguna

situs jejaring sosial dengan sadar dan secara rutin

memasukkan banyak data dan informasi ke dalam situs.

Situs jejaring Twitter yang secara terbuka dan gratis

membagi API mereka supaya orang-orang dapat mengakses

data tweets mereka dan menggunakannya untuk penelitian

dengan maksud mendapatkan informasi yang berguna dari

sana.

Secara khusus, dalam data-data tweets tersebut

dapat dilihat bahwa terdapat banyak opini publik.

Publik beropini terhadap suatu tema tertentu, salah

satu yang paling banyak dibahas adalah brand. Data-data

tweets yang mengandung opini publik tersebut dapat

diklasifikasikan ke dalam topik bahasan dan sentimen

tertentu. Dari hasil klasifikasi tersebut dapat

dianalisa untuk mendapatkan informasi dan pengetahuan

mengenai brand yang dibahas. Hasil informasi disajikan

dalam bentuk grafik dan berkas excel.



Program Studi Teknik Informatika DPPL – BRANSO 7/ 45


1.3 Definisi, Akronim dan Singkatan

Daftar definisi akronim dan singkatan :

Tabel 1. Definisi, Akronim dan Singkatan


DPPL Deskripsi Perancangan Perangkat

Lunak disebut juga Software Design

Description (SDD). Merupakan deskripsi

dari perancangan produk /perangkatlunak

yang akan dikembangkan.

DPPL-BRANSO-XXX Kode yang merepresentasikan kebutuhan

pada Branso Analitik (Analisa Brand

Berbasis Twitter) di mana XXX merupakan

nomor fungsi produk.

BRANSO Perangkat lunak pengelolaan desktop dan

web.

Data Mining Proses ekstraksi informasi dan

pengetahuan yang secara potensial berguna

dan orang-orang tidak mengetahuinya,

serta ekstraksi dilakukan dari sekumpulan

data yang besar, tidak lengkap, noise,

dan acak.

Dataset Sekumpulan data yang digunakan dalam

proses data mining.



1.4 Referensi


tersebut adalah:

1. Matheus Alvian Wikanargo / 6807, Proposal Tugas

Akhir Analisis Opini Publik Terhadap Brand Di

Situs Jejaring Sosial Twitter Menggunakan Teknik

Data Mining, Universitas Atma Jaya Yogyakarta.

2. Matheus Alvian Wikanargo / 6807, Spesifikasi

Kebutuhan Perangkat Lunak (SKPL) BRANSO,


3. Matheus Alvian Wikanargo / 6807, Deskripsi

Perancangan Perangkat Lunak (DPPL) RMIS,




2. Perancangan Sistem

2.1 Perancangan Arsitektur

Gambar 2.1 Arsitektur



2.2 Perancangan Rinci

2.2.1 Sequence Diagram

2.2.1.1 Fungsi Pengelolaan Data Training

2.2.1.1.1 Fungsi Tambah Data Training

SequenceDiagram_TambahDataTraining

8: ImportDataTraining()7: ImportDataTraining()

6: ImportDataTraining()



2: KelolaDataTrainingUI()


:Pengguna

:KelolaDataTrainingUI :KelolaDataTrainingControl :DataTraining







Gambar 2.2 Sequence Diagram : Tambah Data Training

2.2.1.1.2 Fungsi Tampil Data Training

SequenceDiagram_TampilDataTraining

5: TampilDataTraining()


3: TampilDataTraining()2: TampilDataTraining()


6: KelolaDataTraining()

:Pengguna




3: TampilDataTraining()2: TampilDataTraining()


6: KelolaDataTraining()

Gambar 2.3 Sequence Diagram : Tampil Data Training



2.2.1.1.3 Fungsi Hapus Data Training

SequenceDiagram HapusDataTraining



3: HapusDataTraining()4: HapusDataTraining()

5: HapusDataTraining()



:Pengguna








Gambar 2.4 Sequence Diagram : Hapus Data Training

2.2.1.2 Fungsi Pengelolaan Data Pelengkap

2.2.1.1.4 Fungsi Tambah Kata Positif

SequenceDiagram_TambahKataPositif

8: tambahKataPositif()7: tambahKataPositif()

6: tambahKataPositif()



2: KelolaDataPelengkapUI()


:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataPositif







Gambar 2.5 Sequence Diagram : Tambah Kata Positif



2.2.1.1.5 Fungsi Tampil Kata Positif

SequenceDiagram_TampilKataPositif

5: TampilKataPositif()


3: TampilKataPositif()2: TampilKataPositif()


6: KelolaKataPositif()

:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataPositif



3: TampilKataPositif()2: TampilKataPositif()


6: KelolaKataPositif()

Gambar 2.6 Sequence Diagram : Tambah Kata Positif

2.2.1.1.6 Fungsi Hapus Kata Positif

SequenceDiagram HapusKataPositif



3: HapusKataPositif()4: HapusKataPositif()

5: HapusKataPositif()



:Pengguna

:KelolaDataPelengkapUI :KelolaDataTrainingPelengkapControl :KataPositif







Gambar 2.7 Sequence Diagram : Hapus Kata Positif



2.2.1.1.7 Fungsi Tambah Kata Negatif

SequenceDiagram_TambahKataNegatif

8: tambahKataNegatif()7: tambahKataNegatif()

6: tambahKataNegatif()





:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataNegatif







Gambar 2.8 Sequence Diagram : Tambah Kata Negatif

2.2.1.1.8 Fungsi Tampil Kata Negatif

SequenceDiagram_TampilKataNegatif

5: TampilKataNegatif()


3: TampilKataNegatif()2: TampilKataNegatif()


6: KelolaKataNegatif()

:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataNegatif



3: TampilKataNegatif()2: TampilKataNegatif()


6: KelolaKataNegatif()

Gambar 2.9 Sequence Diagram : Tampil Kata Negatif



2.2.1.1.9 Fungsi Hapus Kata Negatif

SequenceDiagram HapusKataNegatif



3: HapusKataNegatif()4: HapusKataNegatif()

5: HapusKataNegatif()



:Pengguna

:KelolaDataPelengkapUI :KelolaDataTrainingPelengkapControl :KataNegatif







Gambar 2.10 Sequence Diagram : Hapus Kata Negatif

2.2.1.1.10 Fungsi Tambah Kata Kategori

SequenceDiagram_TambahKataKategori

8: tambahKataKategori()7: tambahKataKategori()

6: tambahKataKategori()





:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataKategori







Gambar 2.11 Sequence Diagram : Tambah Kata Kategori



2.2.1.1.11 Fungsi Tampil Kata Kategori

SequenceDiagram_TampilKataKategori

5: TampilKataKategori()


3: TampilKataKategori()2: TampilKataKategori()


6: KelolaKataKategori()

:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataKategori



3: TampilKataKategori()2: TampilKataKategori()


6: KelolaKataKategori()

Gambar 2.12 Sequence Diagram : Tampil Kata Kategori

2.2.1.1.12 Fungsi Hapus Kata Kategori

SequenceDiagram HapusKataKategori



3: HapusKataKategori()4: HapusKataKategori()

5: HapusKataKategori()



:Pengguna

:KelolaDataPelengkapUI :KelolaDataTrainingPelengkapControl :KataKategori







Gambar 2.13 Sequence Diagram : Hapus Kata Kategori



2.2.1.1.13 Fungsi Tambah Kata Lain

SequenceDiagram_TambahKataLain

8: tambahKataLain()7: tambahKataLain()

6: tambahKataLain()

5: tambahKataLaini()4: tambahKataLain()

3: tambahKataLain()



:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataLain

8: tambahKataLain()7: tambahKataLain()

6: tambahKataLain()

5: tambahKataLaini()4: tambahKataLain()

3: tambahKataLain()



Gambar 2.14 Sequence Diagram : Tambah Kata Lain

2.2.1.1.14 Fungsi Tampil Kata Lain

SequenceDiagram_TampilKataLain

5: TampilKataLain()

4: TampilKataLain()

3: TampilKataLain()2: TampilKataLain()


6: KelolaKataLain()

:Pengguna

:KelolaDataPelengkapUI :KelolaDataPelengkapControl :KataLain

5: TampilKataLain()

4: TampilKataLain()

3: TampilKataLain()2: TampilKataLain()


6: KelolaKataLain()

Gambar 2.15 Sequence Diagram : Tampil Kata Lain



2.2.1.1.15 Fungsi Hapus Kata Lain

SequenceDiagram HapusKataLain



3: HapusKataLain()4: HapusKataLain()

5: HapusKataLain()

6: HapusKataLain()


:Pengguna

:KelolaDataPelengkapUI :KelolaDataTrainingPelengkapControl :KataLain




5: HapusKataLain()

6: HapusKataLain()


Gambar 2.16 Sequence Diagram : Hapus Kata Lain

2.2.1.3 Fungsi Pemrosesan Data Mining

2.2.1.1.16 Fungsi Tambah Data Tweets

SequenceDiagram_TambahDataTweets

8: ImportDataTweets()7: ImportDataTweets()

6: ImportDataTweets()



2: ProsesDataMiningUI()


:Pengguna

:ProsesDataMiningUI :ProsesDataMiningControl :DataTweets







Gambar 2.17 Sequence Diagram : Tambah Data Tweets



2.2.1.1.17 Fungsi Tampil Data Tweets

SequenceDiagram_TampilDataTweets

5: TampilDataTweets()


3: TampilDataTweets()2: TampilDataTweets()

1: :ProsesDataMiningUI


:Pengguna




3: TampilDataTweets()2: TampilDataTweets()



Gambar 2.18 Sequence Diagram : Tampil Data Tweets

2.2.1.1.18 Fungsi Hapus Data Tweets

SequenceDiagram HapusDataTweets



3: HapusDataTweets()4: HapusDataTweets()

5: HapusDataTweets()



:Pengguna








Gambar 2.19 Sequence Diagram : Hapus Data Tweets



2.2.1.1.19 Fungsi Pembersihan Data

SequenceDiagram_PembersihanData

22: PembersihanData()


20: tambahKataTokenTraining()


18: PembersihanDataTraining()

17: Stemmer()

16: Stemmer()

15: Stemmer()

14: Stemmer()


12: tambahKataToken()


10: PembersihanDataTweets()9: Stemmer()

8: Stemmer()

7: Stemmer()6: Stemmer()5: PembersihanDataTweets()4: PembersihanData()




:Pengguna

:ProsesDataMiningUI :ProsesDataMiningControl :DataTweets :KataDasar :KataLain:KataToken :DataTraining :KataTokenTraining






17: Stemmer()

16: Stemmer()

15: Stemmer()

14: Stemmer()




10: PembersihanDataTweets()9: Stemmer()

8: Stemmer()

7: Stemmer()6: Stemmer()5: PembersihanDataTweets()4: PembersihanData()




Gambar 2.20 Sequence Diagram : Pemrosesan Data Mining

2.2.1.1.20 Fungsi Klasifikasi Data

SequenceDiagram_KlasifikasiData

22: KlasifikasiData()

21: KlasifikasiData()20: tambahDataset()

19: tambahDataset()

8: KlasifikasiKategori()


6: KlasifikasiKategori()5: KlasifikasiKategori()

18: KlasifikasiSentimen()

17: Bayes()16: Bayes()

13: Bayes()

12: Bayes()

15: Bayes()

11: Bayes()

14: Bayes()

10: Bayes()9: KlasifikasiSentimen





:Pengguna

:ProsesDataMiningUI :ProsesDataMiningControl :KataPositif :KataNegatif:KataToken :KataKategori:KataTokenTraining :Dataset


21: KlasifikasiData()20: tambahDataset()

19: tambahDataset()



6: KlasifikasiKategori()5: KlasifikasiKategori()

18: KlasifikasiSentimen()

17: Bayes()16: Bayes()

13: Bayes()

12: Bayes()

15: Bayes()

11: Bayes()

14: Bayes()

10: Bayes()9: KlasifikasiSentimen





Gambar 2. 21 Sequence Diagram : Pemrosesan Data Mining



2.2.1.4 Fungsi Tampil Laporan

2.2.1.1.21 Fungsi Tampil Laporan

SequenceDiagram_TampilLaporan

5: TampilLaporan()4: TampilLaporan()


6: TampilLaporanUI()


:Pengguna

:TampilLaporanUI :TampilLaporanControl :Dataset





Gambar 2. 22 Sequence Diagram : Tampil Laporan



2.2.2 Class Diagram

Gambar 2. 23 Class Diagram

Boundary Control Entity

pengelolaanDataPelengkapUI

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

pengelolaanDataPelengpakUI ()

tambahKataPositif ()

hapusKataPositif ()

tampilKataPositif ()

getKataPositif ()

tambahKataNegatif ()

hapusKataNegatif ()

tampilKataNegatif ()

getKataNegatif ()

tambahKataLain ()

hapusKataLain ()

tampilKataLain ()

getKataLain ()

tambahKataKategori ()

hapusKataKategori ()

tampilKataKategori ()

getKataKategori ()

...

pengelolaanDataTrainingUI

+

+

+

+

+

pengelolaanDataTrianingUI ()

importDataTraining ()

hapusDataTraining ()

tampilDataTraining ()

getDataTraining ()

...

pemrosesanDatasetDataMiningUI

+

+

+

+

+

+

+

+

+

+

pemrosesanDatasetDataMiningUI ()

importDataTweets ()

pembersihanData ()

hapusDataTweets ()

tampilDataTweets ()

klasifikasiData ()

getDataset ()

getDataTweets ()

getKataDasar ()

getKataToken ()

...

tampilLaporanUI

+

+

+

+

tampilLaporanUI ()

tampilLaporan ()

exportLaporan ()

getLaporan ()

pengelolaanDataPelengkapCtrl

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

tambahKataPositif ()

hapusKataPositif ()

tampilKataPositif ()

getKataPositif ()

tambahKataNegatif ()

hapusKataNegatif ()

tampilKataNegatif ()

getKataNegatif ()

tambahKataLain ()

hapusKataLain ()

tampilKataLain ()

getKataLain ()

tambahKataKategori ()

hapusKataKategori ()

tampilKataKategori ()

getKataKategori ()

...

pengelolaanDataTrainingCtrl

+

+

+

+

tambahDataTraining ()

hapusDataTraining ()

tampilDataTraining ()

getDataTraining ()

pemrosesanDatasetDataMiningCtrl

+

+

+

+

+

+

+

+

+

importDataTweets ()

hapusDataTweets ()

tampilDataTweets ()

pembersihanData ()

klasifikasiData ()

getDataset ()

getDataTweets ()

getKataDasar ()

getKataToken ()

...

tampilLaporanCtrl

+

+

+

tampilLaporan ()

getLaporan ()

exportLaporan ()...

dataTraining

+

+

+

getDataTraining ()

setDataTraining ()

dataTraining ()

...

kataPositif

+

+

+

getKataPositif ()

setKataPositif ()

kataPositif ()

...

dataset

+

+

+

+

+

getDataset ()

setDataset ()

dataset ()

getLaporan ()

setLaporan ()

...

dataTweets

+

+

+

getDataTweets ()

setDataTweets ()

dataTweets ()

...

kataLain

+

+

+

getKataLain ()

setKataLain ()

kataLain ()

...

kataNegatif

+

+

+

getKataNegatif ()

setKataNegatif ()

kataNegatif ()

...kataKategori

+

+

+

getKataKategori ()

setKataKategori ()

kataKategori ()

...

kataToken

+

+

+

getKataToken ()

setKataToken ()

kataToken ()

...kataDasar

+

+

+

getKataDasar ()

setKataDasar ()

dataKataDasar ()

...

kataTokenTraining

+

+

+

getKataTokenTraining ()

setKataTokenTraining ()

kataTokenTraining ()

...



2.2.3 Class Diagram Specific Descriptions

2.2.3.1 Specific Design Class

pengelolaanDataPelengkapUI

pengelolaanDataPelengkapUI <<boundary>>

+ pengelolaanDataPelengkapUI()

Default konstruktor, digunakan untuk inisialisasi semua

attribute dari kelas ini.

+ tambahKataPositif()

Operasi ini digunakan untuk menambahkan kata positif ke

dalam sistem.

+ hapusKataPositif()

Operasi ini digunakan untuk menghapus kata positif yang

sudah dimasukkan.

+ tampilKataPositif()

Operasi ini digunakan untuk menampilkan kata positif

dalam antarmuka sistem.

+ getKataPositif ()

Operasi ini digunakan untuk mendapatkan kata positif.

+ tambahKataNegatif()

Operasi ini digunakan untuk menambahkan kata negatif ke

dalam sistem.

+ hapusKataNegatif()

Operasi ini digunakan untuk menghapus kata negatif yang

sudah dimasukkan.

+ tampilKataNegatif()

Operasi ini digunakan untuk menampilkan kata negatif


+ getKataNegatif ()

Operasi ini digunakan untuk mendapatkan kata negatif.

+ tambahKataKategori()



Operasi ini digunakan untuk menambahkan kata kategori

ke dalam sistem.

+ hapusKataKategori ()

Operasi ini digunakan untuk menghapus kata kategori

yang sudah dimasukkan.

+ tampilKataKategori()

Operasi ini digunakan untuk menampilkan kata kategori


+ getKataKategori()

Operasi ini digunakan untuk mendapatkan kata kategori.

+ tambahKataLain()

Operasi ini digunakan untuk menambahkan kata lain ke

dalam sistem.

+ hapusKataLain()

Operasi ini digunakan untuk menghapus kata lain yang

sudah dimasukkan.

+ tampilKataLain()

Operasi ini digunakan untuk menampilkan kata lain dalam

antarmuka sistem.

+ getKataLain ()

Operasi ini digunakan untuk mendapatkan kata lain.


pengelolaanDataTrainingUI

pengelolaanDataTrainingUI <<boundary>>

+ pengelolaanDataTrainingUI()



+ importDataTraining()

Operasi ini digunakan untuk menambahkan data training

berupa file excel kedalam sistem.



+ hapusDataTraining()

Operasi ini digunakan untuk menghapus data training


+ tampilDataTraining()

Operasi ini digunakan untuk menampilkan data training


+ getDataTraining()

Operasi ini digunakan untuk mendapatkan data training.

2.2.3.3 Specific Design Class pemrosesanDataMiningUI

pemrosesanDataMiningUI <<boundary>>

+ pemrosesanDataMiningUI ()



+ importDataTweets()

Operasi ini digunakan untuk menambahkan data tweets


+ hapusDataTweets()

Operasi ini digunakan untuk menghapus data tweets yang

sudah dimasukkan.

+ tampilDataTweets ()

Operasi ini digunakan untuk menampilkan data tweets


+ getDataset()

Operasi ini digunakan untuk mendapatkan dataset.

+ getDataTweets()

Operasi ini digunakan untuk mendapatkan data tweets.

+ getKataDasar()

Operasi ini digunakan untuk mendapatkan kata dasar.

+ getKataToken()

Operasi ini digunakan untuk mendapatkan kata token.



2.2.3.4 Specific Design Class tampilLaporanUI

tampilLaporanUI <<boundary>>

+ tampilLaporanUI()



+ tampilLaporan()

Operasi ini digunakan untuk menampilkan hasil data

mining dalam bentuk visualisasi grafik kategori topik

dan sentimen.

+ exportDataset()

Operasi ini digunakan untuk mengubah dataset menjadi

file excel.

+ getLaporan()

Operasi ini digunakan untuk mendapatkan data laporan.


pengelolaanDataPelengkapCtrl

pengelolaanDataPelengkapCtrl <<control>>

- kata_positif : string

Atribut ini digunakan untuk menyimpan kata positif.

- kata_negatif : string

Atribut ini digunakan untuk menyimpan kata negatif.

- kata_kategori : string

Atribut ini digunakan untuk menyimpan kata kategori.

- jenis_kategori : string

Atribut ini digunakan untuk menyimpan jenis kategori.

- kata_lain : string

Atribut ini digunakan untuk menyimpan kata lain.

+ pengelolaanDataPelengkap()





+ tambahKataPositif(): Void

Prosedur ini digunakan untuk menambahkan kata positif

ke dalam sistem.

+ hapusKataPositif(): Void

Prosedur ini digunakan untuk menghapus kata positif


+ tampilKataPositif(): Void

Prosedur ini digunakan untuk menampilkan kata positif


+ getKataPositif (): Void

Prosedur ini digunakan untuk mendapatkan kata positif.

+ tambahKataNegatif(): Void

Prosedur ini digunakan untuk menambahkan kata negatif

ke dalam sistem.

+ hapusKataNegatif(): Void

Prosedur ini digunakan untuk menghapus kata negatif


+ tampilKataNegatif(): Void

Prosedur ini digunakan untuk menampilkan kata negatif


+ getKataNegatif (): Void

Prosedur ini digunakan untuk mendapatkan kata negatif.

+ tambahKataKategori(): Void

Prosedur ini digunakan untuk menambahkan kata kategori

ke dalam sistem.

+ hapusKataKategori (): Void

Prosedur ini digunakan untuk menghapus kata kategori


+ tampilKataKategori(): Void

Prosedur ini digunakan untuk menampilkan kata kategori


+ getKataKategori(): Void



Prosedur ini digunakan untuk mendapatkan kata kategori.

+ tambahKataLain(): Void

Prosedur ini digunakan untuk menambahkan kata lain ke

dalam sistem.

+ hapusKataLain(): Void

Prosedur ini digunakan untuk menghapus kata lain yang

sudah dimasukkan.

+ tampilKataLain(): Void

Prosedur ini digunakan untuk menampilkan kata lain


+ getKataLain (): Void

Prosedur ini digunakan untuk mendapatkan kata lain.


pengelolaanDataTrainingCtrl

pengelolaanTrainingCtrl <<control>>

- id_DataTraining : integer

Atribut ini digunakan untuk menyimpan data id data

training.

- Master_Texts : string

Atribut ini digunakan untuk menyimpan data teks asli

dari tweets.

- Sentimen_Texts: string

Atribut ini digunakan untuk menyimpan data sentimen

dari teks yang telah diproses.

+ pengelolaanDataTraining()



+ importDataTraining(): Void

Prosedur ini digunakan untuk menambahkan data training


+ hapusDataTraining(): Void



Prosedur ini digunakan untuk menghapus data training


+ tampilDataTraining(): Void

Prosedur ini digunakan untuk menampilkan data training


+ getDataTraining(): Void

Prosedur ini digunakan untuk mendapatkan data training.


pemrosesanDataMiningCtrl

pemrosesanDataMiningCtrl <<control>>

- Tweet_ID : integer

Atribut ini digunakan untuk menyimpan data id dari

pemesanan tweets.

- Username : string

Atribut ini digunakan untuk menyimpan data nama alias

pengguna.

- Fullname : string

Atribut ini digunakan untuk menyimpan data nama asli

pengguna.

- Tweet_Text : string

Atribut ini digunakan untuk menyimpan teks dari tweets

pengguna.

- Date_of_Tweet : date

Atribut ini digunakan untuk menyimpan data tanggal

kapan tweets dipublikasikan.

- User_Since : date

Atribut ini digunakan untuk menyimpan data sejak kapan

pengguna terdaftar sebagai pengguna Twitter.

- Followers : integer

Atribut ini digunakan untuk menyimpan data pengikut

akun Twitter pengguna.



- Follows : integer

Atribut ini digunakan untuk menyimpan data jumlah akun

yang diikuti oleh akun Twitter pengguna.

- Retweets : integer

Atribut ini digunakan untuk menyimpan data jumlah

berapa kali tweets pengguna di retweets.

- Favorites : integer


berapa kali tweets pengguna di favorites.

- Verified : string

Atribut ini digunakan untuk menyimpan data tanda

verifikasi akun oleh pihak Twitter.

- Location : string

Atribut ini digunakan untuk menyimpan data lokasi

pengguna akun saat mempublikasikan tweets.

- Topic_Texts: string

Atribut ini digunakan untuk menyimpan data jenis topik





+ pemrosesanDataMining()


atribut dari kelas ini.

+ importDataTweets(): Void

Prosedur ini digunakan untuk menambahkan data tweets


+ hapusDataTweets(): Void

Prosedur ini digunakan untuk menghapus data tweets yang

sudah dimasukkan.

+ tampilDataTweets(): Void

Prosedur ini digunakan untuk menampilkan data tweets




+ getDataset(): Void

Prosedur ini digunakan untuk mendapatkan dataset.

+ getDataTweets(): Void

Prosedur ini digunakan untuk mendapatkan data tweets.

+ getKataDasar(): Void

Prosedur ini digunakan untuk mendapatkan kata dasar.

+ getKataToken(): Void

Prosedur ini digunakan untuk mendapatkan kata token.

2.2.3.8 Specific Design Class tampilLaporanCtrl

tampilLaporanCtrl <<control>>

- Tweet_ID : integer

Atribut ini digunakan untuk menyimpan data id dari

pemesanan tweets.

- Username : string

Atribut ini digunakan untuk menyimpan data nama alias

pengguna.

- Fullname : string

Atribut ini digunakan untuk menyimpan data nama asli

pengguna.

- Tweet_Text : string

Atribut ini digunakan untuk menyimpan teks dari tweets

pengguna.

- Date_of_Tweet : date

Atribut ini digunakan untuk menyimpan data tanggal

kapan tweets dipublikasikan.

- User_Since : date

Atribut ini digunakan untuk menyimpan data sejak kapan

pengguna terdaftar sebagai pengguna Twitter.

- Followers : integer

Atribut ini digunakan untuk menyimpan data pengikut



akun Twitter pengguna.

- Follows : integer

Atribut ini digunakan untuk menyimpan data jumlah akun

yang diikuti oleh akun Twitter pengguna.

- Retweets : integer


berapa kali tweets pengguna di retweets.

- Favorites : integer


berapa kali tweets pengguna di favorites.

- Verified : string

Atribut ini digunakan untuk menyimpan data tanda

verifikasi akun oleh pihak Twitter.

- Location : string

Atribut ini digunakan untuk menyimpan data lokasi

pengguna akun saat mempublikasikan tweets.

- Topic_Texts: string

Atribut ini digunakan untuk menyimpan data jenis topik





+ tampilLaporan()



+ tampilLaporan(): Void

Prosedur ini digunakan untuk menampilkan hasil data

mining dalam bentuk visualisasi grafik kategori topik

dan sentimen.

+ exportDataset(): Void

Prosedur ini digunakan untuk mengubah dataset menjadi

file excel.



+ getLaporan(): Void

Prosedur ini digunakan untuk mendapatkan data laporan.

2.2.3.9 Specific Design Class kataPositif()

kataPositif <<Entity>>

+ kataPositif()


atribut dari kelas kataPositif().

+ getKataPositif()

Digunakan untuk mengambil kata positif.

+ setKataPositif()

Digunakan untuk mengatur atribut kata positif.

2.2.3.10 Specific Design Class kataNegatif()

kataNegatif <<Entity>>

+ kataNegatif()


atribut dari kelas kataNegatif().

+ getKataNegatif()

Digunakan untuk mengambil kata negatif.

+ setKataNegatif()

Digunakan untuk mengatur atribut kata negatif.

2.2.3.11 Specific Design Class kataKategori()

kataKategori <<Entity>>

+ kataKategori()


atribut dari kelas kataKategori().

+ getKataKategori()

Digunakan untuk mengambil kata kategori.



+ setKataKategori()

Digunakan untuk mengatur atribut kata kategori.

2.2.3.12 Specific Design Class kataLain()

kataLain <<Entity>>

+ kataLain()


atribut dari kelas kataLain().

+ getKataLain()

Digunakan untuk mengambil kata lain.

+ setKataLain()

Digunakan untuk mengatur atribut kata lain.

2.2.3.13 Specific Design Class dataTraining()

dataTraining <<Entity>>

+ dataTraining()


atribut dari kelas dataTraining().

+ getDataTraining ()

Digunakan untuk mengambil data training.

+ setDataTraining ()

Digunakan untuk mengatur atribut data training.

2.2.3.14 Specific Design Class KataTokenTraining()

KataTokenTraining <<Entity>>

+ kataTokenTraining()


atribut dari kelas kataTokenTraining().

+ getKataTokenTraining()

Digunakan untuk mengambil kata token training.



+ setkataTokenTraining()

Digunakan untuk mengatur atribut kata token training.

2.2.3.15 Specific Design Class dataTweets()

dataTweets <<Entity>>

+ dataTweets()


atribut dari kelas dataTweets().

+ getDataTweets()

Digunakan untuk mengambil data tweets.

+ setDataTweets()

Digunakan untuk mengatur atribut data tweets.

2.2.3.16 Specific Design Class kataToken()

kataToken <<Entity>>

+ kataToken()


atribut dari kelas kataToken().

+ getKataToken()

Digunakan untuk mengambil kata token.

+ setkataToken()

Digunakan untuk mengatur atribut kata token.

2.2.3.17 Specific Design Class kataDasar()

kataDasar <<Entity>>

+ kataDasar()


atribut dari kelas kataDasar().

+ getKataDasar()

Digunakan untuk mengambil kata dasar.



+ setKataDasar()

Digunakan untuk mengatur atribut kata dasar.

2.2.3.18 Specific Design Class dataset()

dataset <<Entity>>

+ dataset()


atribut dari kelas dataset().

+ getDataset ()

Digunakan untuk mengambil dataset.

+ setDataset ()

Digunakan untuk mengatur atribut dataset.

+ getLaporan ()

Digunakan untuk mengambil data laporan.

+ setLaporan ()

Digunakan untuk mengatur atribut data laporan.



3. Perancangan Data

3.1 Dekomposisi Data

3.1.1 Deskripsi Entitas Table_DataTweets

Nama Tipe Panjang Keterangan

Tweet_ID

Variable

Character 20

ID Tweets, primary

key.

Username

Variable

Character 25 Nama alias pengguna.

Fullname

Variable

Character 25 Nama asli pengguna.

Tweet_Text

Variable

Character 180 Teks tweets pengguna.

Date_of_Tweet Date -

Tanggal publikasi

tweets.

User_Since Date -

Tanggal bergabung

pengguna dalam

Twitter.

Followers Integer - Jumlah pengikut akun.

Follows Integer -

Jumlah akun yang

diikuti.

Retweets Integer - Jumlah retweets.

Favorites Integer - Jumlah favorites.

Verified

Variable

Character 3 Tanda verifikasi akun.

Location

Variable

Character 100

Lokasi publikasi

tweets.

3.1.2 Deskripsi Entitas Table_Dataset


ID_DataSet Integer -

ID Dataset, primary

key.



3.1.2 Deskripsi Entitas Table_Dataset (Lanjutan)


Tweet_ID

Variable

Character 20

ID Tweet dari

Table_DataTweet,

foreign key dari

Table_DataTweet.

Topic_Texts

Variable

Character 20

Jenis topik dari teks

terproses.

Sentimen_Texts

Variable

Character 20

Jenis sentimen dari

teks terproses.

3.1.3 Deskripsi Entitas Table_KataToken


ID_Token Integer -

ID Kata Token, primary

key.

KataToken

Variable

Character 20 Kata token.

Tweet_ID

Variable

Character 20

ID Data Training dari

Table_DataTraining,

foreign key dari

Table_DataTraining.

3.1.4 Deskripsi Entitas Table_DataTraining


ID_DataTraining Integer -

ID Data Training,

primary key.

Master_Texts

Variable

Character 255 Kalimat teks mentah.

Sentimen_Texts

Variable

Character 20

Jenis sentimen dari

teks terproses.

3.1.5 Deskripsi Entitas Table_KataTokenTraining


ID_TokenTraining Integer -

ID Token Training,

primary key.



3.1.5 Deskripsi Entitas Table_KataTokenTraining (Lanjutan)


KataTokenTraining

Variable

Character 20 Kata token.

ID_DataTraining Integer -

ID Data Training dari

Table_DataTraining,

foreign key dari

Table_DataTraining.

3.1.6 Deskripsi Entitas Table_KategoriTopik

Nama Tipe Penjang Keterangan

ID_Topik Integer -

ID Proyek, primary

key.

Kata_Kategori

Variable

Character 20

Kata yang

merepresentasikan

topik.

Jenis_Kategori

Variable

Character 20 Jenis dari topik.

3.1.7 Deskripsi Entitas Table_KataPositif


ID_KataPositif Integer -

ID Kata Positif,

primary key.

Kata_Positif

Variable

Character 20

Kata yang bermuatan

positif.

3.1.8 Deskripsi Entitas Table_KataNegatif


ID_KataNegatif Integer -

ID Kata Positif,

primary key.

Kata_Negatif

Variable

Character 20

Kata yang bermuatan

positif.



3.1.9 Deskripsi Entitas Table_KataDasar


ID_KataDasar Integer -

ID Kata Dasar, primary

key.

Kata_Dasar

Variable

Character 20 Kata Dasar.

Tipe_KataDasar

Variable

Character 20 Tipe Kata Dasar.

3.1.10 Deskripsi Entitas Table_KataLain


ID_KataLain Integer -

ID Kata Lain, primary

key.

Kata_Lain

Variable

Character 20

Kata selain kata

dasar.



3.2 Physical Data Model

Gambar 3.1 Physical Data Model

IDTKR = IDTKR

IDTK = IDTK

TID = TID

TABEL_DATATWEETS

UN VARCHAR2(25)

FN VARCHAR2(25)

TT VARCHAR2(180)

DOT DATE

US DATE

TID INTEGER

FRS INTEGER

FOL INTEGER

RT INTEGER

FAV INTEGER

VER VARCHAR2(3)

LOC VARCHAR2(100)

IDTK INTEGER

TABEL_DATASET

IDST INTEGER

TWID VARCHAR2(20)

TTX VARCHAR2(20)

STX VARCHAR2(20)

TID INTEGER

TABEL_KATEGORITOPIK

IDT INTEGER

KK VARCHAR2(20)

JK VARCHAR2(20)

TABEL_KATAPOSITIF

IDKP INTEGER

KPOS VARCHAR2(20)

TABEL_DATATRAINING

IDSTR INTEGER

MTXS VARCHAR2(255)

STX2 VARCHAR2(20)

IDTKR INTEGER

TABEL_KATANEGATIF

IDKN INTEGER

KNEGS VARCHAR2(20)

TABLE_KATALAIN

ID_KATALAIN INTEGER

KATALAIN VARCHAR2(20)

TABEL_KATADASAR

IDKD INTEGER

KD VARCHAR2(20)

TIPE_KATADASAR VARCHAR2(10)

TABEL_TOKEN

IDTK INTEGER

KTK VARCHAR2(20)

TTID VARCHAR2(20)

TABEL_TOKENTRAINING

IDTKR INTEGER

KTKR VARCHAR2(20)

TIDR INTEGER



4. Deskripsi Perancangan AntarMuka

4.1 Antarmuka Menu Bar

Gambar 4.1 Rancangan Antarmuka Menu Bar

Gambar 4.1 merupakan antarmuka utama yang berisi

menu untuk masuk ke antarmuka-antarmuka yang lain.

Pengguna dapat menggunakan menu bar yang berada di kiri

atas antarmuka. Pilihan yang tersedia adalah Data

Training untuk pengelolaan data training, Data

Pelengkap untuk pengelolaan data pendukung, Data Mining

untuk pemrosesan data mining, dan Laporan untuk

menampilkan hasil akhir.



4.2 Antarmuka Pengelolaan Data Training

Gambar 4.2 Rancangan Antarmuka Pengelolaan Data

Training

Gambar 4.2 merupakan antarmuka pengelolaan data

training yang berfungsi untuk melakukan pengelolaan

data training, yaitu browse data training baru, hapus

data training, dan menampilkan isi data training.

Fungsi browse akan menampilkan antarmuka untuk memilih

berkas excel data training. Isi dari data training

tersebut akan ditampilkan dalam GridView dan nama

berkas data training akan ditampilkan dalam kotak teks.

Fungsi hapus akan menghapus data training dari basis

data. Fungsi simpan digunakan supaya data training yang

sudah terpilih tersimpan dalam basis data.



4.3 Antarmuka Pengelolaan Data Pelengkap

Gambar 4.3 Rancangan Antarmuka Pengelolaan Data

Pelengkap

Gambar 4.3 merupakan antarmuka pengelolaan data

pelengkap yang berfungsi untuk melakukan pengelolaan

data pelengkap, termasuk di dalamnya fungsi tambah,

tampil, dan hapus untuk data kata positif, kata

negatif, kata kategori, dan kata lain.



4.4 Antarmuka Pengelolaan Data Pelengkap

Gambar 4.4 Rancangan Antarmuka Pemrosesan Data Tweets

Gambar 4.4 merupakan antarmuka untuk melakukan

pemrosesan data tweets, termasuk di dalamnya browse

untuk memilih sumber data tweets, hapus data tweets,

hapus data tweets, menampilkan isi data tweets dan

dataset, melakukan proses pembersihan data dan

klasifikasi data, serta menghitung waktu proses. Fungsi

browse untuk memilih berkas excel data tweets yang akan

dimasukkan ke dalam sistem. Isi dari data tweets dan

dataset akan ditampilkan dalam GridView dan nama berkas

data tweets akan ditampilkan dalam kotak teks. Fungsi

hapus akan menghapus data tweets dari basis data.

Fungsi simpan digunakan supaya data tweets tersimpan

dalam basis data. Fungsi proses pembersihan data dan

klasifikasi data digunakan untuk membersihkan data

kemudian mengklasifikasikan data berdasarkan topik

bahasan dan sentimen.



4.5 Antarmuka Laporan

Gambar 4.5 Rancangan Antarmuka Laporan

Gambar 4.5 merupakan antarmuka untuk menampilkan

hasil akhir dari proses data mining. Hasil akan berupa

grafik dan berkas berbentuk excel.

Program Studi Teknik Informatika PDHUPL-RMIS 1/ 30

Dokumen ini dan informasi yang dimilikinya adalah milik Program StudiTeknik Informatika-UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Teknik Informatika

PERENCANAAN, DEKSRIPSI, DAN HASIL

UJI PERANGKAT LUNAK

Branso Analitik


Untuk :



Dipersiapkan oleh:

Matheus Alvian Wikanargo / 6807




Program Studi

Teknik Informatika Fakultas Teknologi

Industri


PDHUPL-RMIS 1/46

Revisi - Tgl :

PDHUPL



DAFTAR PERUBAHAN

REVISI DESKRIPSI

A

B

C

D

E

F


DITULIS OLEH

DIPERIKSA OLEH

DISETUJUI OLEH



DAFTAR ISI

DAFTAR ISI .............................................. 4

DAFTAR TABEL ............................................ 7

1. Pendahuluan ......................................... 8

1.1 Tujuan Pembuatan Dokumen ..................... 8

1.2 Deksripsi Umum Sistem ........................ 8

1.3 Definisi dan Singkatan ...................... 10

1.4 Dokumen Referensi ........................... 10

1.5 Deksripsi Umum Dokumen ...................... 10

2. Lingkungan Pengujian Perangkat Lunak ............... 11

2.1 Perangkat Lunak Pengujian ................... 11

2.2 Perangkat Keras Pengujian ................... 12

2.3 Sumber Daya Manusia ......................... 12

2.4 Prosedur Umum Pengujian ..................... 13

2.4.1 Pengenalan dan Latihan ...................... 13

2.4.2 Persiapan Perangkat Keras ................... 13

2.4.3 Persiapan Perangkat Lunak ................... 13

2.4.4 Pelaksanaan ................................. 13

2.4.5 Pelaporan Hasil ............................. 13

3. Identifikasi Dan Rencana Pengujian ................. 14

3.1 Identifikasi Pengujian ...................... 14

4. Deskripsi Dan Hasil Uji ............................ 17

4.1 Identifikasi Kelas Pengujian Use Case

Pengelelolaan Data Pelengkap ........................ 17

4.1.1 Identifikasi Butir Pengujian Tambah Kata

Positif (P-01-01) .......................... 17

4.1.2 Identifikasi Butir Pengujian Hapus Kata

Positif (P-01-02) .......................... 17

4.1.3 Identifikasi Butir Pengujian Tampil Kata

Positif (P-01-03) .......................... 17


Negatif (P-01-04) .......................... 18




Negatif (P-01-05) .......................... 18


Negatif (P-01-06) .......................... 18


Kategori (P-01-07) ......................... 18


Kategori (P-01-08) ......................... 19


Kategori (P-01-09) ......................... 19

4.1.10 Identifikasi Butir Pengujian Tambah Kata Lain

(P-01-10) .................................. 19

4.1.11 Identifikasi Butir Pengujian Hapus Kata Lain

(P-01-11) .................................. 19

4.1.12 Identifikasi Butir Pengujian Tampil Kata Lain

(P-01-12) .................................. 20


Pengelolaan Data Training ........................... 20

4.2.1 Identifikasi Butir Pengujian Tambah Data

Training (P-02-01) ......................... 20

4.2.2 Identifikasi Butir Pengujian Hapus Data

Training (P-02-02) ......................... 20

4.2.3 Identifikasi Butir Pengujian Tampil Data

Training (P-02-03) ......................... 20


Pemrosesan Data Training ............................ 21


Tweets (P-03-01) ........................... 21

4.3.2 Identifikasi Butir Pengujian Hapus Data Tweets

(P-03-02) .................................. 21


Tweets (P-03-03) ........................... 21



4.3.4 Identifikasi Butir Pengujian Pembersihan Data

(P-03-03) .................................. 21


Training (P-03-03) ......................... 22

4.4 Identifikasi Kelas Pengujian Use Case Laporan 22

4.4.1 Identifikasi Butir Pengujian Laporan (P-04-01)

........................................... 22

5. Hasil Pengujian .................................... 23



DAFTAR TABEL

Tabel 1.1 Definisi dan Singkatan .................... 10

Tabel 3.1 Identifikasi Pengujian Use Case Pengelolaan

Data Pelengkap ...................................... 14

Tabel 3. 2 Identifikasi Pengujian Use Case Pengelolaan

Data Training ....................................... 15

Tabel 3.3 Identifikasi Pengujian Pemrosesan Data Mining

.................................................... 15

Tabel 3. 4 Identifikasi Pengujian Use Case Mengelola

laporan ............................................. 16

Tabel 5.1 Hasil Pengujian ........................... 23



1. Pendahuluan

1.1 Tujuan Pembuatan Dokumen

Dokumen Perancangan, Deskripsi, dan Hasil Uji

Perangkat Lunak (PDHUPL) Branso Analitik ini adalah

dokumen yang berisi mengenai perencanaan, deskripsi dan

hasil pengujian perangkat lunak yang spesifikasi-nya

secara sistematis terdapat pula pada dokumen SKPL

Branso Analitik. Selanjutnya dokumen PDHUPL_BRANSO ini

dipergunakan sebagai bahan panduan untuk melakukan

pengujian terhadap RMIS. PDHUPL_BRANSO ini juga akan

digunakan untuk menguji keseluruhan sistem Branso

Analitik.

1.2 Deksripsi Umum Sistem

Perangkat Lunak Branso Analitik dikembangkan

dengan tujuan untuk:

1. Menangani Pengelolaan Data Training yang

meliputi :

Impor data training

Hapus data training

Tampil data training

2. Menangani Pengelolaan Data Pelengkap yang

meliputi :

Tambah kata positif

Hapus kata positif

Tampil kata positif

Tambah kata negatif

Hapus kata negatif



Tampil kata negatif

Tambah kata kategori

Hapus kata kategori

Tampil kata kategori

Tambah kata lain

Hapus kata lain

Tampil kata lain

3. Menangani Pemrosesan Data Mining yang meliputi:

Impor data tweets

Hapus data tweets

Tampil data tweets

Pembersihan data

Klasifikasi data

4. Menangani laporan yang meliputi:

Ekspor laporan dalam bentuk berkas excel

Tampil grafik laporan



1.3 Definisi dan Singkatan

Daftar definisi akronim dan singkatan:

Tabel 1.1 Definisi dan Singkatan


PDHUPL Perencanaan, deskripsi dan hasil

pengujian perangkat lunak yang

spesifikasi-nya secara sistematis terdapat

pula pada dokumen SKPL Branso Analitik.

BRANSO / Branso

Analitik

Perangkat lunak pemrosesan data mining

berbasis dekstop.

1.4 Dokumen Referensi


tersebut adalah:

1. Matheus Alvian Wikanargo, Branso Analitik,

Universitas Atma Jaya Yogyakarta, 2016.

1.5 Deksripsi Umum Dokumen

Dokumen ini terdiri dari lima bab, yaitu:

1. Bab pertama adalah Pendahuluan, yang akan

memberikan deksripsi dokumen.

2. Bab kedua adalah Lingkungan Pengujian Perangkat

Lunak yang akan menggambarkan lingkungan tempat

berjalannya perangkat lunak (perangkat keras

dan perangkat lunak), sumber daya manusia,

serta prosedur umum pengujian.

3. Bab Ketiga adalah Identifikasi dan Rencana

Pengujian, yang berisi deskripsi umum kelas-

kelas dan butir-butir pengujian.



4. Bab Keempat adalah Identifikasi Pengujian, yang

berisi deksripsi rinci kelas-kelas dan butir-

butir pengujian.

5. Bab Kelima adalah Hasil Pengujian, yang berisi

langkah-langkah dan hasil pengujian kelas-kelas

dan butir-butir pengujian.

2. Lingkungan Pengujian Perangkat Lunak

2.1 Perangkat Lunak Pengujian

Perangkat lunak pengujian berupa :

1. Nama : Windows

Nomor Versi : 10 Profesional 64-Bit

Sumber : Microsoft

Sebagai sistem operasi dimana perangkat lunak

Branso Analitik dijalankan.

2. Nama : SQL Server

Nomor Versi : 2008 R2

Sumber : Microsoft

Sebagai DBMS (Data Base Management System) yang

dibutuhkan dalam mengoperasikan perangkat lunak

Branso Analitik.

3. Nama : Visual C# .NET

Nomor Versi : 2008

Sumber : Microsoft

Sebagai tool/interface yang dibutuhkan dalam

mengoperasikan aplikasi desktop perangkat lunak

Branso Analitik.

4. Nama : Excel



Nomor Versi : 2016

Sumber : Microsoft

Sebagai aplikasi yang dibutuhkan untuk mengimpor

dan mengekspor data.

5. Nama : Crystal Report

Nomor Versi : 2016

Sumber : -

Sebagai aplikasi yang dibutuhkan untuk menampilkan

grafik laporan.

2.2 Perangkat Keras Pengujian

1. Komputer pengujian memiliki spesifikasi Intel

Core i7-3632QM CPU @ 2.20 GHz dengan 8 GB RAM.

2.3 Sumber Daya Manusia

Sumber daya pengujian ini berupa:

1. Tester terdiri dari 1 orang dengan

spesifikasi Mahasiswa Teknik Informatika


2. System Analyst merangkap Konsultan Sistem

Independent terdiri dari 1 orang untuk

memberikan masukan bahan uji yang berkaitan

dengan interaksi manusia dan komputer seperti

interface serta fungsionalitasnya, system

analyst dan konsultan adalah Dosen Pengampu dan

Penguji.



2.4 Prosedur Umum Pengujian

2.4.1 Pengenalan dan Latihan

Pengenalan dan Pelatihan Perangkat Lunak Branso

Analitik ini diharapkan tidak memerlukan waktu lama.

Branso Analitik diharapkan dapat dipelajari langsung

dari antarmuka bantuan, tanpa melalui pelatihan khusus.

2.4.2 Persiapan Perangkat Keras

Persiapan perangkat keras berupa :

1. PC

2. Keyboard

3. Mouse

2.4.3 Persiapan Perangkat Lunak

Persiapan perangkat lunak berupa :

1. Instalasi SQL Server 2008 R2

2. Instalasi Visual C# .NET 2008

3. Instalasi Microsoft Excel 2016

2.4.4 Pelaksanaan

Pelaksanaan pengujian akan dilakukan untuk masing-

masing use case, yang mengacu ke Spesifikasi Perangkat

Lunak Branso Analitik.

2.4.5 Pelaporan Hasil

Hasil pengujian Hasil pengujian akan diserahkan

kepada Program Studi Teknik Informatika dan Teknik

Industri Fakultas Teknologi Industri Universitas Atma

Jaya Yogyakarta.



3. Identifikasi Dan Rencana Pengujian

3.1 Identifikasi Pengujian

Tabel 3.1 Identifikasi Pengujian Use Case Pengelolaan Data Pelengkap

Kelas Uji Pengujian use case Pengelolaan Data Pelengkap

Butir Uji Tambah

Kata

Positif

Hapus

Kata

Positif

Tampil

Kata

Positif

Tambah

Kata

Negatif

Hapus

Kata

Negatif

Tampil

Kata

Negatif

Tambah

Kata

Kategori

Hapus

Kata

Kategori

Tampil

Kata

Kategori

Tambah

Kata

Lain

Hapus

Kata

Lain

Tampil

Kata

Lain

Identifika

si

SKPL SKPL-

BRANSO-

001-01

SKPL-

BRANSO-

001-02

SKPL-

BRANSO-

001-03

SKPL-

BRANSO-

001-04

SKPL-

BRANSO-

001-05

SKPL-

BRANSO-

001-06

SKPL-

BRANSO-

001-07

SKPL-

BRANSO-

001-08

SKPL-

BRANSO-

001-09

SKPL-

BRANSO

-001-

10

SKPL-

BRANSO

-001-

11

SKPL-

BRANSO

-001-

12

PDHUPL P-01-01 P-01-02 P-01-03 P-01-04 P-01-05 P-01-06 P-01-07 P-01-08 P-01-09 P-01-

10

P-01-

11

P-01-

12

Tingkat

Pengujian

Pengujian Unit

Jenis

Pengujian

Black Box

Jadwal Mei 2016



Tabel 3. 2 Identifikasi Pengujian Use Case Pengelolaan

Data Training

Kelas Uji Pengujian use case Pengelolaan

Data Training

Butir Uji Tambah

Data

Training

Hapus Data

Training

Tampil

Data

Training

Identifikasi

SKPL SKPL-

BRANSO-

002-01

SKPL-

BRANSO-

002-02

SKPL-

BRANSO-

002-03

PDHUPL P-02-01 P-02-02 P-02-03

Tingkat Pengujian Pengujian Unit

Jenis Pengujian Black Box

Jadwal Mei 2016

Tabel 3.3 Identifikasi Pengujian Pemrosesan Data Mining

Kelas Uji Pengujian use case Pemrosesan Data Mining

Butir Uji Tambah

Data

Training

Hapus

Data

Training

Tampil

Data

Training

Pembers

ihan

Data

Klasifi

kasi

Data

Identifikasi

SKPL SKPL-

BRANSO-

003-01

SKPL-

BRANSO-

003-02-

SKPL-

BRANSO-

003-03

SKPL-

BRANSO-

003-04

SKPL-

BRANSO-

003-05

PDHUPL P-03-01 P-03-02 P-03-03 P-03-04 P-03-05

Tingkat

Pengujian

Pengujian Unit

Jenis

Pengujian

Black box

Jadwal Mei 2016



Tabel 3. 4 Identifikasi Pengujian Use Case Mengelola

laporan

Kelas Uji Pengujian use case Laporan

Butir Uji Ekspor Berkas Excel dan Tampilkan

Grafik Laporan

Identifikasi

SKPL SKPL-RMIS-004

PDHUPL P-04-01

Tingkat

Pengujian

Pengujian Unit

Jenis

Pengujian

Black Box

Jadwal Mei 2016



4. Deskripsi Dan Hasil Uji


Pengelelolaan Data Pelengkap

Kelas Pengujian ini adalah kelas pengujian yang

meliputi proses untuk mengelola data pelengkap yang

terdiri dari kata positif, kata negatif, kata kategori,

dan kata lain.


Positif (P-01-01)

Butir pengujian ini melakukan pengujian terhadap

antarmuka untuk menambahkan kata positif. Masukan untuk

pengujian ini adalah kata positif yang dimasukkan

melalui TextBox.


Positif (P-01-02)


antarmuka untuk menghapus kata positif. Butir ini tidak

ada masukan, tetapi memilih kata positif yang akan

dihapus dari GridView.


Positif (P-01-03)


antarmuka untuk menampilkan kata positif. Butir ini

tidak ada masukan, semua data kata positif langsung

tertampil dalam bentuk GridView pada saat antarmuka

pengelolaan data pelengkap diakses oleh pengguna.




Negatif (P-01-04)


antarmuka untuk menambahkan kata negatif. Masukan untuk

pengujian ini adalah kata negatif yang dimasukkan

melalui TextBox.


Negatif (P-01-05)


antarmuka untuk menghapus kata negatif. Butir ini tidak

ada masukan, tetapi memilih kata negatif yang akan

dihapus dari GridView.


Negatif (P-01-06)


antarmuka untuk menampilkan kata negatif. Butir ini

tidak ada masukan, semua data kata negatif langsung


pengelolaan data pelengkap diakses oleh pengguna.


Kategori (P-01-07)


antarmuka untuk menambahkan kata dan jenis kategori.

Masukan untuk pengujian ini adalah kata dan jenis

kategori yang dimasukkan melalui TextBox.




Kategori (P-01-08)


antarmuka untuk menghapus kata kategori. Butir ini

tidak ada masukan, tetapi memilih kata kategori yang

akan dihapus dari GridView.


Kategori (P-01-09)


antarmuka untuk menampilkan kata dan jenis kategori.

Butir ini tidak ada masukan, semua data kata dan jenis

kategori langsung tertampil dalam bentuk GridView pada

saat antarmuka pengelolaan data pelengkap diakses oleh

pengguna.

4.1.10 Identifikasi Butir Pengujian Tambah Kata Lain

(P-01-10)


antarmuka untuk menambahkan kata lain. Masukan untuk

pengujian ini adalah kata lain yang dimasukkan melalui

TextBox.

4.1.11 Identifikasi Butir Pengujian Hapus Kata Lain

(P-01-11)


antarmuka untuk menghapus kata lain. Butir ini tidak

ada masukan, tetapi memilih kata lain yang akan dihapus

dari GridView.



4.1.12 Identifikasi Butir Pengujian Tampil Kata Lain

(P-01-12)


antarmuka untuk menampilkan kata lain. Butir ini tidak

ada masukan, semua data kata lain langsung tertampil

dalam bentuk GridView pada saat antarmuka pengelolaan

data pelengkap diakses oleh pengguna.

4.2 Identifikasi Kelas Pengujian Use Case Pengelolaan

Data Training

Kelas Pengujian ini adalah kelas pengujian yang

meliputi proses untuk mengelola data training.


Training (P-02-01)


antarmuka untuk mengimpor data training. Masukan untuk

pengujian ini adalah berkas excel.

4.2.2 Identifikasi Butir Pengujian Hapus Data

Training (P-02-02)


antarmuka untuk menghapus data training. Butir ini

tidak ada masukan, tetapi data training harus sudah ada

dalam basis data.


Training (P-02-03)


antarmuka untuk menampilkan data training. Butir ini

tidak ada masukan, semua data training langsung


pengelolaan data training diakses oleh pengguna.



4.3 Identifikasi Kelas Pengujian Use Case Pemrosesan

Data Training

Kelas Pengujian ini meliputi pengujian-pengujian

yang melibatkan fungsi antarmuka use case Mengelola

Petugas dengan aktor Administrator sebagai penggunanya.


Tweets (P-03-01)


antarmuka untuk mengimpor data tweets. Masukan untuk

pengujian ini adalah berkas excel.

4.3.2 Identifikasi Butir Pengujian Hapus Data Tweets

(P-03-02)


antarmuka untuk menghapus data tweets. Butir ini tidak

ada masukan, tetapi data tweets harus sudah ada dalam

basis data.


Tweets (P-03-03)


antarmuka untuk menampilkan data tweets. Butir ini

tidak ada masukan, semua data tweets langsung tertampil

dalam bentuk GridView pada saat antarmuka pengelolaan

data tweets diakses oleh pengguna.

4.3.4 Identifikasi Butir Pengujian Pembersihan Data

(P-03-03)


antarmuka untuk melakukan pembersihan data tweets.

Butir ini tidak ada masukan, tetapi data tweets harus

sudah ada dalam basis data.




Training (P-03-03)


antarmuka untuk mengklasifikasikan data tweets kedalam

kelas sentimen dan kelas kategori. Butir ini tidak ada

masukan, tetapi data tweets harus sudah ada dalam basis

data dan pembersihan data telah dilakukan.

4.4 Identifikasi Kelas Pengujian Use Case Laporan

Kelas Pengujian ini meliputi pengujian-pengujian

yang melibatkan fungsi antarmuka use case mengelola

Laporan dengan hasil keluaran yaitu berkas excel dan

grafik.

4.4.1 Identifikasi Butir Pengujian Laporan (P-04-01)


antarmuka mengelola Laporan untuk cetak grafik dan

ekspor berkas excel. Butir ini memiliki masukan nama

berkas dalam TextBox sebelum dilakukan ekspor data

hasil klasifikasi dalam bentuk berkas excel. Untuk

cetak Grafik akan langsung tertampil dalam bentuk

crystal report pada saat antarmuka laporan diakses oleh

pengguna.



5. Hasil Pengujian

Pengujian fungsionalitas merupakan penjelasan mengenai hasil pengujian fungsi-fungsi

yang dapat dikerjakan oleh perangkat lunak Branso Analitik, disajikan dalam bentuk tabel.

Tabel 5.1 Hasil Pengujian

Identifikasi Deskripsi Prosedur

Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DATATRAINING_01

Pengujian

menambahk

an data

training

Memilih

menu data

training

Memilih

menu

browse

Memilih

berkas

data

training

Klik kiri

pada

tombol

simpan

Pesan

“Data

berhasil

di

import.”

Pesan

“Data

berhasil

di

import.”

Pesan

“Data

berhasil

di

import.”

Handal

DATATRAINING_02

Pengujian

menampilk

an data

training

Memilih

menu data

training

Klik kiri

pada

menu data

training

Data

training

tampil

pada

GridView

Data

training

tampil

pada

GridView

Data

training

tampil

pada

GridView

Handal

DATATRAINING_03

Pengujian

menghapus

data

training

Memilih

menu

hapus

Klik kiri

pada

tombol

hapus

Pesan

“Data

berhasil

di hapus.”

Pesan

“Data

berhasil

di hapus.”

Pesan

“Data

berhasil

di hapus.”

Handal



Tabel 5.1 Hasil Pengujian (Lanjutan)


Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DP_KATAPOSITIF_

01

Pengujian

menambahk

an kata

positif

Memilih

menu data

pelengkap

Mengisika

n kata

positif

pada

TextBox

Klik kiri

pada

tombol

tambah

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Handal

DP_KATAPOSITIF_

02

Pengujian

menampilk

an kata

positif

Memilih

menu data

pelengkap

Klik kiri

pada

menu data

pelengkap

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Handal

DP_KATAPOSITIF_

03

Pengujian

menghapus

kata

positif

Memilih

menu data

pelengkap

Memilih

data kata

positif

dari

GridView

Klik kiri

pada

tombol

hapus

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DP_KATANEGATIF_

01

Pengujian

menambahk

an kata

negatif

Memilih

menu data

pelengkap

Mengisika

n kata

negatif

pada

TextBox

Klik kiri

pada

tombol

tambah

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Handal

DP_KATANEGATIF_

02

Pengujian

menampilk

an kata

negatif

Memilih

menu data

pelengkap

Klik kiri

pada

menu data

pelengkap

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Handal

DP_KATANEGATIF_

03

Pengujian

menghapus

kata

negatif

Memilih

menu data

pelengkap

Memilih

data kata

negatif

dari

GridView

Klik kiri

pada

tombol

hapus

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DP_KATAKATEGORI

_01

Pengujian

menambahk

an kata

kategori

Memilih

menu data

pelengkap

Mengisika

n kata

kategori

dan jenis

kategori

pada

TextBox

Klik kiri

pada

tombol

tambah

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Handal

DP_KATAKATEGORI

_02

Pengujian

menampilk

an kata

kategori

Memilih

menu data

pelengkap

Klik kiri

pada

menu data

pelengkap

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Handal

DP_KATAKATEGORI

_03

Pengujian

menghapus

kata

kategori

Memilih

menu data

pelengkap

Memilih

data

kategori

dari

GridView

Klik kiri

pada

tombol

hapus

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DP_KATALAIN_01

Pengujian

menambahk

an kata

lain

Memilih

menu data

pelengkap

Mengisika

n kata

lain pada

TextBox

Klik kiri

pada

tombol

tambah

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Data baru

ditampilka

n pada

GridView

Handal

DP_KATALAIN_02

Pengujian

menampilk

an kata

lain

Memilih

menu data

pelengkap

Klik kiri

pada

menu data

pelengkap

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Data

pelengkap

tampil

pada

GridView

Handal

DP_KATALAIN_03

Pengujian

menghapus

kata lain

Memilih

menu data

pelengkap

Memilih

data kata

lain dari

GridView

Klik kiri

pada

tombol

hapus

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Data

terpilih

hilang

dari

GridView

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

DATATWEETS_01

Pengujian

menambahk

an data

tweets

Memilih

menu data

mining

Memilih

menu

browse

Memilih

berkas

data

tweets

Klik kiri

pada

tombol

simpan

Pesan

“Data

berhasil

di

import.”

Pesan

“Data

berhasil

di

import.”

Pesan

“Data

berhasil

di

import.”

Handal

DATATWEETS_02

Pengujian

menampilk

an data

tweets

Memilih

menu data

mining

Klik kiri

pada

menu data

mining

Data

tweets

tampil

pada

GridView

Data

tweets

tampil

pada

GridView

Data

tweets

tampil

pada

GridView

Handal

DATATWEETS_03

Pengujian

menghapus

data

tweets

Memilih

menu

hapus

Klik kiri

pada

tombol

hapus

Pesan

“Data

berhasil

di hapus.”

Pesan

“Data

berhasil

di hapus.”

Pesan

“Data

berhasil

di hapus.”

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

PEMBERSIHANDATA

Pengujian

pembersih

an data

Memilih

menu data

mining

Mengecek

data

tweets

telah

ditambahk

an

Klik kiri

pada

tombol

pembersih

an data

Pesan

“Pembersih

an Data

Tweets

telah

berhasil.”

Pesan

“Pembersih

an Data

Tweets

telah

berhasil.”

Pesan

“Pembersih

an Data

Tweets

telah

berhasil.”

Handal

KLASIFIKASI

Pengujian

klasifika

si data

Memilih

menu data

mining

Mengecek

data

tweets

telah

ditambahk

an

Klik kiri

pada

tombol

klasifika

si data

Pesan

“Klasifika

si Dataset

telah

berhasil.”

Pesan

“Klasifika

si Dataset

telah

berhasil.”

Pesan

“Klasifika

si Dataset

telah

berhasil.”

Handal





Pengujian Masukan

Keluaran

yang

Diharapkan

Kriteria

Evaluasi

Hasil

Hasil yang

didapat Kesimpulan

GRAFIK_LAPORAN

Pengujian

tampil

grafik

laporan

Memilih

menu

laporan

Klik kiri

pada menu

laporan

Grafik

tampil

pada

Crystal

Report

Grafik

tampil

pada

Crystal

Report

Grafik

tampil

pada

Crystal

Report

Handal

EKSPOR_LAPORAN

Pengujian

ekspor

laporan

Memilih

menu

laporan

Memilih

menu

browse

Memilih

lokasi

penyimpan

an

Klik kiri

pada

tombol

simpan

Pesan

“Export

Dataset

telah

berhasil.”

Pesan

“Export

Dataset

telah

berhasil.”

Pesan

“Export

Dataset

telah

berhasil.”

Handal

BAB 6 KESIMPULAN DAN SARAN - core.ac.uk · 61 BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan...

Documents

Transcript of BAB 6 KESIMPULAN DAN SARAN - core.ac.uk · 61 BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan...